首页 >> 学术资讯 >>前沿文章 >>生信医药 >> 《Nat Biotechnol》新刊:清华大学团队推出SMRTnet,多模态深度学习框架实现RNA-小分子互作预测新突破!
详细内容

《Nat Biotechnol》新刊:清华大学团队推出SMRTnet,多模态深度学习框架实现RNA-小分子互作预测新突破!

本文对《Nature Biotechnology》发表的题为“Predicting small molecule-RNA interactions without RNA tertiary structures”的研究进行系统性总结。该工作由清华大学团队主导,提出了深度学习框架SMRTnet,通过多模态数据融合(整合RNA序列、二级结构及小分子信息),实现了无需RNA三级结构先验知识的高精度小分子-RNA相互作用预测。

1770556386724139.png

一、智能架构革新:多模态融合驱动RNA-小分子互作预测新范式
SMRTnet的核心创新在于构建了多模态融合框架,通过双路径编码器(RNA编码器与小分子编码器)协同提取特征,并引入多模态数据融合(MDF)模块动态整合交互信息。RNA编码器创新性地结合了语言模型(RNASwan-seq)与卷积神经网络(CNN),直接从RNA序列和二级结构(点括号 notation)中学习空间特征;小分子编码器则融合化学语言模型(MoLFormer)和图注意力网络(GAT),解析SMILES字符串与分子图结构。MDF模块通过共注意力机制与自注意力层渐进式融合异构数据,最终通过全连接解码器输出结合评分。这一设计突破了传统方法对RNA三级结构的依赖,实现了从序列到功能的端到端预测。

1770556408677728.png

二、性能突破验证:跨基准测试展现优越泛化能力
在多项实验基准测试中,SMRTnet展现出显著优于现有工具的性能。在PDB衍生的测试集上,SMRTnet的平均AUROC达0.844(图2a),大幅领先于RNAmigos2(0.567–0.596)等对比方法。通过五折交叉验证和不同正负样本比例测试,其性能稳定性(AUROC波动<0.02)验证了模型的鲁棒性。值得注意的是,在去折叠(decoy)评估任务中,SMRTnet对真实结合物的排名准确率高达92.6%,而传统分子对接工具(如AutoDock Vina)仅为27.3–46.6%。这些结果凸显了深度学习框架在复杂生物分子互作预测中的潜力。

1770556429545198.png

三、应用前景拓展:实验验证驱动药物发现新机遇
SMRTnet的实用性通过大规模实验验证得到证实。研究针对10种疾病相关RNA靶点(如MYC IRES、HIV-1 TAR等)筛选7350个天然产物库,通过微量热泳动(MST)实验验证出40个纳摩尔-微摩尔级亲和力的结合小分子。以MYC IRES为例,模型预测的结合评分与实验验证率显著相关(高评分区间验证率28.6%,低评分区间0%)。其中,化合物IHT不仅结合MYC IRES(Kd≈1.2 μM),还在癌细胞中下调MYC表达、抑制增殖并促进凋亡,展现了治疗潜力。

1770556456363908.png

总结与启示
SMRTnet通过多模态深度学习框架,实现了无需三级结构的小分子-RNA互作高精度预测,在性能、泛化性和实用性层面均超越现有工具。其创新点在于:①动态融合序列与结构信息;②引入语言模型增强表征能力;③通过可解释组件桥接计算与实验。未来方向包括扩展至动态RNA结构预测、整合体内转录组数据,以及探索癌症、病毒性疾病中的治疗应用。这一研究为RNA靶向药物开发提供了新范式,凸显了AI在破解“不可成药”靶点中的战略价值。



原文链接:https://doi.org/10.1038/s41587-025-02942-z
暂无评论


seo seo